机器视觉目标识别方法解析：Blob分析法、模板匹配法、深度学习法.pdfVIP

机器视觉目标识别方法解析：Blob分析法、

模板匹配法、深度学习法

Blob分析法（BlobAnalysis）在计算机视觉中的Blob是指图像中的具有相似颜色、

纹理等特征所组成的一块连通区域。Blob分析(BlobAnalysis)是对图像中相同像素的连通域

进行分析(该连通域称为Blob)。其过程就是将图像进行二值化，分割得到前景和背景，然后

进行连通区域检测，从而得到Blob块的过程。简单来说，blob分析就是在一块“光滑”区域

内，将出现“灰度突变”的小区域寻找出来。举例来说，假如现在有一块刚生产出来的玻璃，

表面非常光滑，平整。如果这块玻璃上面没有瑕疵，那么，我们是检测不到“灰度突变”的;

相反，如果在玻璃生产线上，由于种种原因，造成了玻璃上面有一个凸起的小泡、有一块黑

斑、有一点裂缝，那么，我们就能在这块玻璃上面检测到纹理，经二值化(BinaryThresholding)

处理后的图像中色斑可认为是blob。而这些部分，就是生产过程中造成的瑕疵，这个过程，

就是Blob分析。Blob分析工具可以从背景中分离出目标，并可以计算出目标的数量、位

置、形状、方向和大小，还可以提供相关斑点间的拓扑结构。在处理过程中不是对单个像素

逐一分析，而是对图像的行进行操作。图像的每一行都用游程长度编码(RLE)来表示相邻的

目标范围。这种算法与基于像素的算法相比，大大提高了处理的速度。针对二维目标图

像和高对比度图像，适用于有无检测和缺陷检测这类目标识别应用。常用于二维目标图像、

高对比度图像、存在/缺席检测、数值范围和旋转不变性需求。显然，纺织品的瑕疵检测，

玻璃的瑕疵检测，机械零件表面缺陷检测，可乐瓶缺陷检测，药品胶囊缺陷检测等很多场合

都会用到blob分析。但另一方面，Blob分析并不适用于以下图像：1.低对比度图像;2.

必要的图像特征不能用2个灰度级描述;3.按照模版检测(图形检测需求)。总的来说，Blob

分析就是检测图像的斑点，适用于背景单一，前景缺陷不区分类别，识别精度要求不高的场

景。模板匹配法模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对

象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。它是图像处理中

最基本、最常用的匹配方法。换句话说就是一副已知的需要匹配的小图像，在一副大图像中

搜寻目标，已知该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像元素，通

过统计计算图像的均值、梯度、距离、方差等特征可以在图中找到目标，确定其坐标位置。

这就说明，我们要找的模板是图像里标标准准存在的，这里说的标标准准，就是说，一旦图

像或者模板发生变化，比如旋转，修改某几个像素，图像翻转等操作之后，我们就无法进行

匹配了，这也是这个算法的弊端。所以这种匹配算法，就是在待检测图像上，从左到右，

从上向下对模板图像与小东西的图像进行比对。在opencv中有cv2.matchTemplate(src,

templ,result,match_method)方法可以调用，src是待检测图像，templ是模板库，match_method

是匹配的方法。这种方法相比Blob分析有较好的检测精度，同时也能区分不同的缺陷类

别，这相当于是一种搜索算法，在待检测图像上根据不同roi用指定的匹配方法与模板库中

的所有图像进行搜索匹配，要求缺陷的形状、大小、方法都有较高的一致性，因此想要获得

可用的检测精度需要构建较完善的模板库。深度学习法2014年R-CNN的提出，使

得基于CNN的目标检测算法逐渐成为主流。深度学习的应用，使检测精度和检测速度都获

得了改善。自从AlexNet在比赛中使用卷积神经网络进而大幅度提高了图像分类的准确

率，便有学者尝试将深度学习应用到目标类别检测中。卷积神经网络不仅能够提取更高层、

表达能力更好的特征，还能在同一个模型中完成对于特征的提取、选择和分类。在这方面，

主要有两类主流的算法：一类是结合RPN网络的，基于分类的R-CNN系列两阶目标检

测算法(twostage);另一类则是将目标检测转换为回归问题的一阶目标检测